بایگانی برچسب برای: باطری خورشیدی

سیستم ارتینگ و روش‌های اجرای سیستم مقاومت زمین جهت حفاظت الکتریکی از تجهیزات نیروگاهی (با تمرکز بر نیروگاه خورشیدی فتوولتائیک)

 

سیستم ارتینگ در نیروگاه خورشیدی فتوولتائیک به منظور بهره‌وری بیشتر از پتانسیل انرژی خورشیدی و افزایش عمر مفید تجهیزات نیروگاه خورشیدی استفاده می‌شود. این سیستم معمولاً شامل یک سری عملیات و تجهیزات می‌شود که به صورت هوشمندانه و با استفاده از داده‌های محیطی و تجهیزات نیروگاه، کنترل و مدیریت می‌شوند. در زیر چند مرحله اصلی برای اجرای سیستم ارتینگ در نیروگاه خورشیدی فتوولتائیک آورده شده است:

 

1. سنجش داده‌ها و شناسایی نیازها:

   – نصب سنسورها و دستگاه‌های اندازه‌گیری در نقاط مختلف نیروگاه خورشیدی برای جمع‌آوری داده‌های مرتبط با شدت نور، دما، سرعت باد و سایر پارامترهای محیطی.

   – استفاده از سامانه‌های نرم‌افزاری برای تحلیل دقیق این داده‌ها و شناسایی نیازها و شرایط بهینه.

در این مرحله، سنسورها و دستگاه‌های اندازه‌گیری در نیروگاه خورشیدی فتوواتائیک نصب می‌شوند تا داده‌های محیطی مرتبط با عملکرد تجهیزات و شرایط زیست‌محیطی جمع‌آوری شود. این داده‌ها ممکن است شامل موارد زیر باشد:

 

1-1. شدت نور:

   – سنسورهای تشخیص نور جهت اندازه‌گیری شدت نور خورشید در موقعیت‌های مختلف نیروگاه خورشیدی نصب می‌شوند.

 

2-1. دما:

   – سنسورها برای اندازه‌گیری دما در نقاط مختلف نیروگاه خورشیدی نصب می‌شوند تا تأثیر حرارت بر عملکرد تجهیزات را نظارت کنند.

 

3-1. سرعت باد:

   – دستگاه‌های اندازه‌گیری سرعت باد جهت ارزیابی تأثیر باد بر روی پنل‌های خورشیدی و سایر تجهیزات نیروگاه خورشیدی استفاده می‌شوند.

 

4-1. فشار جو:

   – اندازه‌گیری فشار جو برای مشخص کردن تأثیر ارتفاع از سطح دریا نیروگاه خورشیدی بر عملکرد تجهیزات از اهمیت بالایی برخوردار است.

 

5-1. رطوبت:

   – سنسورهای رطوبت جهت نظارت بر رطوبت محیط و تأثیر آن بر کارایی تجهیزات نیروگاه خورشیدی به کار گرفته میشوند.

 

6-1. داده‌های الکتریکی:

   – اندازه‌گیری و نظارت بر ولتاژ، جریان و توان تولیدی توسط پنل‌های خورشیدی جز داده های اساسی نظارت برعملکرد نیروگاه خورشیدی میباشد.

 

پس از جمع‌آوری این داده‌ها، سیستم‌های نرم‌افزاری مخصوص برای تحلیل این اطلاعات و شناسایی نیازها به کار می‌روند. با تحلیل این داده‌ها، برای سیستم ارتینگ نیروگاه خورشیدی می‌توانیم تصمیمات هوشمندانه‌ای اتخاذ کنیم و تنظیمات نیروگاه را بهینه‌سازی کنیم تا عملکرد بهتری داشته باشد.

2. کنترل تجهیزات:

   – نصب سیستم‌های خودکار و هوشمند کنترلی بر روی تجهیزات نیروگاه خورشیدی برای تنظیم بهینه عملکرد آنها.

   – اجرای الگوریتم‌های هوشمند برای بهینه‌سازی جریان انرژی در تجهیزات مختلف نیروگاه خورشیدی.

در مرحله کنترل تجهیزات در نیروگاه خورشیدی فتوولتائیک، از سیستم‌های هوشمند و نرم‌افزارهای پیشرفته برای مدیریت بهینه تجهیزات استفاده می‌شود. این فرآیند شامل چند جنبه اصلی است:

 

1-2. نصب سیستم‌های کنترلی:

   – انجام نصب دستگاه‌ها و سنسورهای هوشمند بر روی تجهیزات نیروگاه خورشیدی به منظور اندازه‌گیری و کنترل عملکرد آنها.

   – نصب سیستم‌های کنترلی مبتنی بر میکروکنترلرها یا PLC  (کنترلر منطقه‌ای برنامه‌پذیر) جهت اتصال و کنترل تجهیزات نیروگاه خورشیدی.

 

2-2. تنظیمات بهینه:

   – استفاده از الگوریتم‌ها و مدل‌های هوش مصنوعی برای تحلیل داده‌های جمع‌آوری شده و اعمال تنظیمات بهینه بر روی تجهیزات نیروگاه خورشیدی.

   – تنظیمات بهینه شامل تغییر زوایای پنل‌های خورشیدی، جریان الکتریکی تولیدی، و سایر پارامترهای مرتبط با تجهیزات نیروگاه خورشیدی است.

 

3-2. سیستم‌های خودکار:

   – پیاده‌سازی سیستم‌های خودکار برای اجرای تصمیمات اتوماتیک در مورد کنترل تجهیزات نیروگاه خورشیدی.

   – این سیستم‌ها می‌توانند به صورت خودکار به تغییرات در شرایط محیطی و داده‌های جمع‌آوری شده واکنش نشان دهند.

 

4-2. مدیریت انرژی:

   – بهینه‌سازی مصرف انرژی توسط تجهیزات نیروگاه خورشیدی با استفاده از سیستم‌های مدیریت انرژی.

   – کنترل تولید انرژی و مصرف آن بر اساس نیازهای نیروگاه خورشیدی و شرایط محیطی.

 

5-2. ردیابی و نظارت:

   – پیاده‌سازی سیستم‌های ردیابی و نظارت برای پیگیری دقیق تر حرکت خورشید و تنظیم زاویه پنل‌های خورشیدی.

   – نظارت به صورت زنده بر عملکرد تجهیزات و ارتباط با سیستم مرکزی جهت اطلاع‌رسانی و مدیریت بهینه نیروگاه خورشیدی.

 

با این رویکرد، کنترل تجهیزات در نیروگاه خورشیدی فتوولتائیک به صورت هوشمندانه و خودکار صورت می‌گیرد، که منجر به افزایش بهره‌وری و بهینه‌تر شدن عملکرد نیروگاه می‌شود.

با اجرای این مراحل و استفاده از تکنولوژی‌های هوشمند، نیروگاه خورشیدی فتوولتائیک می‌تواند به بهترین شکل ممکن از انرژی خورشید بهره‌مند شود و عمرمفید تجهیزات را افزایش دهد.

 

3. انواع روش‌های اجرای سیستم مقاومت زمین جهت حفاظت الکتریکی از تجهیزات نیروگاهی:

 

1-3. مقاومت زمین سیستمی (System Grounding):

   – در این روش، یکی از نقاط تجهیزات به عنوان نقطه مشترک زمین برای کل سیستم انتخاب می‌شود.

   – مزایا: سادگی و انطباق با استانداردهای ملی.

   – معایب: احتمال اختلال در نقطه زمین وابسته به مواقع مختلف نیروگاه.

مقاومت زمین سیستمی یکی از روش‌های حفاظت الکتریکی است که در آن یک نقطه مشترک برای زمین‌کردن کل سیستم الکتریکی یک نیروگاه یا سیستم تولید انرژی استفاده می‌شود. در این روش، نقطه زمین به عنوان نقطه مشترکی برای اتصال به زمین انتخاب می‌شود تا از جریان‌های ناخواسته جلوگیری کرده و ایمنی تجهیزات و افراد را تضمین کند. مهمترین ویژگی‌های مقاومت زمین سیستمی به خصوص در نیروگاه خورشیدی عبارتند از:

1-3-1. نقطه مشترک زمین:

   – یک نقطه مشترک به عنوان نقطه زمین برای کل سیستم الکتریکی انتخاب می‌شود. این نقطه معمولاً به عنوان “نقطه نیازمندی” نیز شناخته می‌شود.

 

1-3-2. کاهش ولتاژ به زمین:

   – هدف اصلی از استفاده از مقاومت زمین سیستمی، کاهش ولتاژ‌های ناخواسته به زمین است تا از خطرات احتمالی در نیروگاه خورشیدی جلوگیری شود.

 

1-3-3. حفاظت از تجهیزات:

   – مقاومت زمین به عنوان یک مسیر سهل‌العبور برای جریان‌های ناخواسته عمل می‌کند و در نتیجه، تجهیزات و دستگاه‌های نیروگاه خورشیدی را از خطرات احتمالی مرتبط با افزایش ولتاژ حفاظت می‌کند.

 

1-3-4. کنترل جریان زمین:

   – مقاومت زمین سیستمی با کنترل جریان زمین مواجه شده و از افزایش ناگهانی جریان‌ها در نیروگاه خورشیدی جلوگیری می‌کند.

 

1-3-5. تنظیم ولتاژ:

   – از طریق تنظیم ولتاژها و جلوگیری از افزایش ناگهانی آنها، ایمنی سیستم در نیروگاه خورشیدی تامین می‌شود.

 

1-3-6. تأثیر بر مدل توزیع:

   – استفاده از مقاومت زمین سیستمی ممکن است تأثیراتی بر مدل توزیع جریان و ولتاژ در سیستم نیروگاه خورشیدی داشته باشد و این تأثیرات می‌تواند بر ایمنی و بهره‌وری نیروگاه تأثیر بگذارد.

مقاومت زمین سیستمی به عنوان یکی از روش‌های اصلی حفاظت الکتریکی در نیروگاه‌ها و سیستم‌های تولید انرژی استفاده می‌شود و با توجه به ویژگی‌های خود، می‌تواند به بهبود ایمنی و کارایی سیستم الکتریکی کمک کند.

2-3. مقاومت زمین مکانیکی (Physical Grounding):

   – در این حالت، از سیستم مقاومت زمین برای تجهیزات خاصی استفاده می‌شود و هر تجهیز به طور جداگانه زمین می‌شود.

   – مزایا: کنترل بهتر اختلالات مختلف.

   – معایب: پیچیدگی نصب و نگهداری.

مقاومت زمین مکانیکی یکی دیگر از روش‌های حفاظت الکتریکی است که در آن مقاومت زمین بر اساس مکانیک ساختار و تجهیزات انجام می‌شود. این روش به منظور کنترل و مدیریت جریان‌های ناخواسته و حفاظت از تجهیزات و افراد در مقابل خطرات الکتریکی به کار می‌رود. ویژگی‌ها و جزئیات مربوط به مقاومت زمین مکانیکی عبارتند از:

 

2-3-1. ساختار مکانیکی:

   – در این روش، از ساختارهای مکانیکی یا اجزای سازه برای ایجاد مسیرهای زمین‌کردن استفاده می‌شود. این ممکن است شامل فولادهای مقاوم در برابر خوردگی یا دیگر مواد سازه‌ای باشد.

 

2-3-2. زمین‌کردن اجزای ساختار:

   – اجزای ساختاری که به عنوان اجزای غیر الکتریکی در سیستم وجود دارند، به منظور زمین‌کردن استفاده می‌شوند. این اجزا می‌توانند پایه‌ها، ستون‌ها، پایه‌های مستقیم، یا سایر عناصر سازه باشند.

 

2-3-3. استفاده از مصالح مخصوص:

   – مقاومت زمین مکانیکی ممکن است با استفاده از مصالح خاصی که خاصیت زمین‌کردن مناسبی دارند، ایجاد شود. این مصالح می‌توانند شامل آهن‌آلات، فولادهای ضدخوردگی و یا سایر مواد مشابه باشند.

 

2-3-4. کاهش مقاومت:

   – هدف اصلی از استفاده از مقاومت زمین مکانیکی، کاهش مقاومت مسیرهای زمین‌کردن است تا جریان‌های الکتریکی به سرعت به زمین تخلیه شوند و از افزایش ولتاژهای خطرناک جلوگیری شود.

 

2-3-5. پیچیدگی کمتر نسبت به روش‌های دیگر:

   – نسبت به برخی روش‌های دیگر مانند مقاومت زمین سیستمی، اجرای مقاومت زمین مکانیکی ممکن است به لحاظ فنی و عملی کمی پیچیده‌تر باشد.

 

2-3-6. کنترل جریانهای ناخواسته:

   – با استفاده از ساختارهای مکانیکی به عنوان مسیر زمین، می‌توان جریان‌های الکتریکی ناخواسته را کنترل کرد و از تجهیزات و افراد را در مقابل این جریان‌ها حفاظت کرد.

 

هر یک از روش‌های حفاظت الکتریکی از جمله مقاومت زمین مکانیکی بسته به نیازها و شرایط خاص سیستم الکتریکی انتخاب می‌شود و همگی به بهبود ایمنی و عملکرد سیستم کمک می‌کنند.

 

3-3. مقاومت زمین تجهیزات (Equipment Grounding):

   – در این روش، هر تجهیز به یک نقطه زمین مستقل متصل می‌شود.

   – مزایا: جداگانه‌سازی اختلالات و جلوگیری از انتقال جریانهای ناخواسته.

   – معایب: زمین‌های متعدد ممکن است موجب ایجاد اختلال شوند.

 

مقاومت زمین تجهیزات یکی از روش‌های حفاظت الکتریکی است که برای محافظت از تجهیزات الکتریکی در برابر خطرات الکتریکی مورد استفاده در نیروگاه خورشیدی قرار می‌گیرد. در این روش، هر تجهیز به یک نقطه زمین خاص متصل می‌شود تا در صورت وقوع اختلال یا خطای الکتریکی، جریان الکتریکی به سمت زمین تخلیه شود و از ایجاد خسارت به تجهیزات و افراد جلوگیری شود. ویژگی‌ها و جزئیات مربوط به مقاومت زمین تجهیزات عبارتند از:

 

3-3-1. زمین‌کردن تجهیزات:

   – هر تجهیز الکتریکی، از جمله دستگاه‌ها، دستورالعمل‌ها، و ابزارها، به یک نقطه زمین خاص متصل می‌شود. این نقطه زمین به عنوان مسیر بازگشت جریان الکتریکی ناخواسته به زمین عمل می‌کند.

 

3-3-2. کاهش ولتاژ:

   – استفاده از مقاومت زمین تجهیزات به منظور کاهش ولتاژهای ناخواسته و جلوگیری از افزایش ناگهانی آنها موثر است.

 

3-3-3. جلوگیری از جریانهای خطرناک:

   – هدف اصلی این روش، جلوگیری از ایجاد جریانهای خطرناک از تجهیزات به سمت افراد یا دیگر تجهیزات است.

 

3-3-4. افزایش ایمنی:

   – با زمین‌کردن تجهیزات، ایمنی افراد کارکننده با تجهیزات و دستگاه‌ها افزایش می‌یابد، زیرا جریان‌های الکتریکی به سمت زمین تخلیه می‌شوند و از تماس مستقیم با افراد جلوگیری می‌کنند.

 

3-3-5. پیشگیری از خسارات مالی:

   – استفاده از این روش می‌تواند از خسارات مالی ناشی از خرابی تجهیزات در اثر جریان‌های الکتریکی ناخواسته جلوگیری کند.

 

3-3-6. مطابقت با استانداردها:

   – استفاده از مقاومت زمین تجهیزات باعث مطابقت با استانداردها و مقررات ایمنی الکتریکی مربوطه می‌شود.

 

3-3-7. نظارت و بازرسی:

   – سیستم‌ها و تجهیزات باید به طور دوره‌ای تحت بازرسی و نظارت قرار گیرند تا اطمینان حاصل شود که مقاومت زمین تجهیزات همواره به درستی عمل می‌کند.

 

مقاومت زمین تجهیزات به عنوان یکی از روش‌های حفاظت الکتریکی به خصوص در سیستم‌ها و محیط‌های صنعتی و نیروگاهی به ویژه نیروگاه خورشیدی مورد استفاده قرار می‌گیرد و با توجه به خصوصیات آن، به ارتقاء ایمنی و بهره‌وری تجهیزات کمک می‌کند.

4-3. مقاومت زمین دقیق (Precision Grounding):

   – این روش از مقاومت زمین با دقت بالا برخوردار است که جهت کاهش نویزهای الکتریکی و جریان‌های پارازیتی از آن استفاده می‌شود.

   – مزایا: حداقل کردن نویزهای الکتریکی.

   – معایب: نیاز به نگهداری دقیق و هزینه‌بر بودن.

مقاومت زمین دقیق یک روش پیشرفته در حوزه حفاظت الکتریکی است که برای بهبود دقت و کارایی در زمین‌کردن سیستم‌های الکتریکی مورد استفاده قرار می‌گیرد. در این روش، مقاومت زمین با دقت بسیار بالا و با کنترل دقیق بر ارزش مقاومت تنظیم می‌شود. ویژگی‌ها و جزئیات مربوط به مقاومت زمین دقیق عبارتند از:

 

4-3-1. دقت بالا:

   – یکی از ویژگی‌های بارز مقاومت زمین دقیق، دقت بالا در تنظیم مقاومت آن است. این روش برای حصول بهینه‌ترین نتایج در کنترل جریان‌های زمین استفاده می‌شود.

 

4-3-2. استفاده از مواد با کیفیت:

   – مقاومت زمین دقیق از مواد با کیفیت بالا و خصوصیات الکتریکی خوب ساخته می‌شود. این مواد ممکن است شامل آلیاژهای خاص یا فولادهای ویژه باشد.

 

4-3-3. تنظیم الکترونیکی:

   – برخی از سیستم‌های مقاومت زمین دقیق دارای امکانات تنظیم الکترونیکی هستند که به کنترل دقیق و تنظیم مقاومت کمک می‌کنند.

 

4-3-4. مدیریت هوشمند:

   – سیستم‌های مقاومت زمین دقیق معمولاً دارای مدیریت هوشمند هستند که با استفاده از الگوریتم‌ها و سنسورهای مختلف، بهینه‌سازی جریان‌های زمین را انجام می‌دهند.

 

4-3-5. کاهش نویزهای الکتریکی:

   – استفاده از مقاومت زمین دقیق به منظور کاهش نویزهای الکتریکی و افزایش پایداری سیستم‌های الکتریکی موثر است.

 

4-3-6. تنظیم ولتاژ:

   – این روش می‌تواند به طور دقیق ولتاژها را تنظیم کرده و از افزایش ناگهانی آنها جلوگیری نماید.

 

4-3-7. کاربردهای حساس:

   – مقاومت زمین دقیق معمولاً در سیستم‌های الکتریکی حساس به ولتاژها و جریان‌های ناخواسته، مانند سیستم‌های الکترونیکی پیشرفته و تجهیزات پزشکی، به کار می‌رود.

 

4-3-8. تطبیق با شرایط محیطی:

   – این سیستم‌ها به خوبی با شرایط محیطی مختلف تطبیق می‌شوند و می‌توانند در شرایط مختلف دما، رطوبت، و فشار به صورت موثر عمل کنند.

 

مقاومت زمین دقیق به عنوان یک روش پیشرفته حفاظت الکتریکی به خصوص در سیستم‌های الکتریکی حساس و نیازمند دقت بالا به کار می‌رود و به ارتقاء ایمنی و عملکرد این سیستم‌ها کمک می‌کند.

5-3. مقاومت زمین فعال (Active Grounding):

   – در این حالت از تجهیزات فعال به منظور ترتیب و تنظیم مقاومت زمین استفاده می‌شود.

   – مزایا: امکان کنترل دقیق‌تر مقاومت زمین و جلوگیری از افزایش غیرهمسانی ولتاژ.

   – معایب: پیچیدگی و هزینه بالا.

مقاومت زمین فعال یک روش پیشرفته در حوزه حفاظت الکتریکی است که برای بهبود دقت و کارایی در زمین‌کردن سیستم‌های الکتریکی مورد استفاده قرار می‌گیرد. در این روش، علاوه بر استفاده از یک نقطه زمین، تجهیزات الکترونیکی فعال (مانند آمپلیفایرها یا تقویت‌کننده‌ها) نیز به کار گرفته می‌شوند تا به نحوی مداخله کنند که مقاومت زمین به صورت فعال تنظیم و کنترل شود. ویژگی‌ها و جزئیات مربوط به مقاومت زمین فعال عبارتند از:

 

5-3-1. استفاده از تجهیزات فعال:

   – این روش از تجهیزات الکترونیکی فعال به عنوان بخشی از سیستم زمین‌کردن استفاده می‌کند. این تجهیزات معمولاً به عنوان تقویت‌کننده‌های جریان یا ولتاژ عمل می‌کنند.

 

5-3-2. کنترل دقیق مقاومت زمین:

   – با استفاده از تجهیزات فعال، مقاومت زمین به نحو دقیق تنظیم و کنترل می‌شود. این امکان به مدیران سیستم اجازه می‌دهد که مقدار مقاومت زمین را به صورت دینامیک تطبیق دهند.

 

5-3-3. کاهش نویزهای الکتریکی:

   – استفاده از تجهیزات فعال به عنوان بخشی از مقاومت زمین فعال می‌تواند به کاهش نویزهای الکتریکی و افزایش پایداری سیستم کمک کند.

 

5-3-4. اصلاح ولتاژهای ناخواسته:

   – با استفاده از تجهیزات فعال، امکان اصلاح ولتاژهای ناخواسته و افزایش کنترل بر ولتاژهای سیستم وجود دارد.

 

5-3-5. پاسخ سریع به تغییرات:

   – سیستم‌های مقاومت زمین فعال معمولاً با پاسخ سریع به تغییرات در شرایط سیستم شناخته می‌شوند، که این امکان را فراهم می‌کند تا به بهترین شکل مقاومت زمین تنظیم شود.

 

5-3-6. مناسب برای بارهای پویا:

   – این روش به ویژه برای سیستم‌ها و بارهای الکتریکی پویا یا متغیر مناسب است.

 

5-3-7. مدیریت هوشمند:

   – بسیاری از سیستم‌های مقاومت زمین فعال دارای مدیریت هوشمند هستند که با استفاده از الگوریتم‌ها و سنسورها، بهینه‌سازی جریان‌های زمین را انجام می‌دهند.

 

5-3-8. کاربردهای حساس:

   – مقاومت زمین فعال معمولاً در سیستم‌های الکتریکی حساس به ولتاژها و جریان‌های ناخواسته، مانند سیستم‌های الکترونیکی پیشرفته، به کار می‌رود.

مقاومت زمین فعال به عنوان یک روش پیشرفته حفاظت الکتریکی برای سیستم‌های الکتریکی حساس و نیازمند دقت بالا به کار می‌رود و به بهبود ایمنی و عملکرد این سیستم‌ها کمک می‌کند.

6-3. مقاومت زمین به صورت توزیع شده (Distributed Grounding):

   – در این روش، مقاومت زمین به صورت گسترده در سراسر نیروگاه توزیع می‌شود.

   – مزایا: کاهش احتمال افزایش ولتاژ و جریان‌های غیرهمسانی.

   – معایب: هزینه نصب و نگهداری بالا.

مقاومت زمین به صورت توزیع شده یک روش زمین‌کردن پیشرفته است که در آن مفهوم زمین‌کردن به صورت یکنواخت در سطح گسترده‌ای اعمال می‌شود. در این روش، نقاط مختلف سیستم به صورت مستقل به زمین متصل می‌شوند، و این اتصالات توزیع شده‌ای دارند که از مزایای این نوع زمین‌کردن بهره‌مند می‌شوند. ویژگی‌ها و جزئیات مربوط به مقاومت زمین به صورت توزیع شده عبارتند از:

 

6-3-1. توزیع یکنواخت:

   – در مقاومت زمین به صورت توزیع شده، نقاط مختلف سیستم به صورت مستقل به زمین متصل می‌شوند و این توزیع به یکنواختی در زمین‌کردن سیستم منجر می‌شود.

 

6-3-2. کاهش مقاومت:

   – با توزیع یکنواخت زمین، مقاومت کل سیستم به صورت کلی کاهش می‌یابد که این موجب افزایش کارایی و کاهش ولتاژهای ناخواسته می‌شود.

 

6-3-3. پیشگیری از جریان‌های ناخواسته:

   – این روش می‌تواند بهبودی در جلوگیری از جریان‌های ناخواسته و افزایش ایمنی سیستم ایجاد کند.

 

6-3-4. مدیریت جریان:

   – توزیع یکنواخت جریان زمین بهبود مدیریت جریان‌های الکتریکی را فراهم می‌کند و از تجاوز جریان به نقاط حساس سیستم جلوگیری می‌کند.

 

6-3-5. قابلیت اطمینان بالا:

   – به دلیل توزیع یکنواخت زمین، سیستم با قابلیت اطمینان بالا و عملکرد پایدار روبرو می‌شود.

 

6-3-6. سازگار با تغییرات:

   – این روش سازگاری بالایی با تغییرات سیستم، اندازه‌ی گسترش یا تغییرات در تجهیزات دارد.

 

6-3-7. مناسب برای سیستم‌های بزرگ:

   – مخصوصاً در سیستم‌های الکتریکی بزرگ که از ابعاد گسترده استفاده می‌کنند، توزیع یکنواخت زمین می‌تواند یک گزینه موثر باشد.

 

6-3-8. پیاده‌سازی نسبت به استانداردها:

   – این روش معمولاً با استانداردها و مقررات الکتریکی سازگاری دارد و می‌تواند در پیاده‌سازی‌های مختلف به کار گرفته شود.

مقاومت زمین به صورت توزیع شده با توجه به مزایای مطرح شده، به عنوان یک گزینه کارآمد در زمینه حفاظت الکتریکی در سیستم‌های الکتریکی گسترده استفاده می‌شود.

 

هرکدام از این روش‌ها بسته به نیازها و شرایط خاص هر نیروگاه ممکن است انتخاب شود. انتخاب بهترین روش باید با توجه به استانداردها، اهداف حفاظتی، و شرایط محیطی انجام شود.

نویسنده: مهدی پارساوند

 

چکیده: رشد سریع صنعت در انرژی خورشیدی نشان دهنده علاقه به انرژی های تجدید پذیر است. اهمیت برق شبکه های هوشمند حاصل از نیروگاه ها، تشخیص زودهنگام خطا یا ناهنجای در سیستم‌های فتوولتائیک (PV) را ضروری می سازد تا با کاهش اتلاف یا هدررفت پتانسل انرژی خورشیدی بتوانیم نیروگاه های خورشیدی بهینه در دوره بهره برداری داشته باشیم.

از این نظر، استفاده دقیق از آخرین و به‌روزترین  فناوری هوش مصنوعی ضروری است تا به موقع ناهنجاری های مختلف سیستم افشا شود. این مقاله با ارزیابی این موضوع به آن می پردازد.

عملکرد طرح‌های مختلف هوش مصنوعی و استفاده از آن‌ها برای تشخیص ناهنجاری‌ها، قطعات فتوولتائیک طرح‌های زیر ارزیابی می‌شوند:

AutoEncoder Long Short-Term Memory (AE-LSTM), Facebook-Prophet, and Isolation Forest

این مدل ها می توانند رفتارهای واقعی سالم و غیرعادی سیستم PV را شناسایی کنند، نتایج ما بینش روشنی برای شکل گیری یک راه حل ارائه می دهد. راه حل آگاهانه، به ویژه با مبادلات تجربی برای چنین فضای پیچیده ای، در این صنعت راه گشا خواهد بود.

کلمات کلیدی: تشخیص ناهنجاری. فراگیری ماشین؛ تجزیه و تحلیل سری زمانی؛ همبستگی

مقدمه

در دهه گذشته، توسعه و گسترش سریع انرژی های تجدید پذیر از جمله نیروگاه ها صورت گرفته است. انتظار می‌رود توسعه‌ و توانایی تولید انرژی پاک و مقرون به صرفه و ایجاد رشد اقتصادی باعث پیشرفت ما شود. در نتیجه، چالش های تولید انرژی خورشیدی اخیرا توجه قابل توجهی را به خود جلب کرده است. یک نگرانی پیشرو، شناسایی و بومی سازی الگوهای غیرعادی در نیروگاه های خورشیدی است و تکنیک های داده محور به تشخیص و پیشگیری از چنین ناهنجاری هایی کمک زیادی میکند.

سیستم های هوش منطقی می توانند ثابت کنند تجهیزات فتوولتائیک (PV)  در بسیاری از موارد کارآمد است، که با استفاده از شبکه های عصبی کانولوشن برای پیاده سازی هوش مصنوعی قابل پیاده سازی است.(شبکه عصبی کانولوشنال کلاسی از شبکه عصبی مصنوعی است که بیشتر برای تجزیه و تحلیل تصاویر بصری استفاده میشود).

عملکرد مقیاس پذیر و منسجم سیستم های خورشیدی PV به ابزارهای پیشرفته برای نظارت نیاز دارد، تکامل دینامیکی پارامترهای سیستم و انتشار هشدارهایی در مورد ناهنجاری ها به تصمیم گیرندگان و نظارت آنلاین سیستم های PV از نظر فنی برای کمک به اپراتورها مفید است. شکست در شناسایی خطاهای فاجعه بار در آرایه های فتوولتائیک (PV)  براین اساس کاهش می یابد. توان تولید شده و عدم کنترل حفاظتی، در واقع خطرات آتش سوزی را ایجاد می کند که ابتدا ناهنجاری درنمای بیرونی پنل های خورشیدی ظاهر می شود، اگر دارندگان پنل زودتر از وجود ناهنجاری ها مطلع شوند، آنها می توانند ناهنجاری ها را از بین ببرند تا از کمبود توان بیشتر جلوگیری کنند. بنابراین، سرعت و روش‌های تشخیص ناهنجاری برای بهبود قابلیت اطمینان و ایمنی و عملکرد سیستم های فتوولتاییک PV ( نیروگاه خورشیدی ) مهم هستند.

نیروگاه های خورشیدی PV معمولاً در نتیجه اشکال مختلف ناهنجاری ها به اندازه کافی اجرا نمی شوند. این ناهنجاری ها یا داخلی یا خارجی هستند. خطاها در سیستم خورشیدی PV بوجود می آیند و باعث می شوند تولید در روز صفر شود. خطاهای رایج عبارتند از خرابی در یک قطعه، جداسازی سیستم، خاموش شدن اینورتر، سایه اندازی و نقطه حداکثر توان اینورتر. عوامل خارجی مانند سایه، رطوبت، گرد و غبار و دما به عنوان ناهنجاری های خارجی قابل توجهی در نظر گرفته می شوند که سیستم های فتوولتاییک PV ( نیروگاه خورشیدی ) را تحت تاثیر قرار می دهند و تولید برق آن را تضعیف می کنند.

چندین ابتکارعمل برای رسیدگی به ناهنجاری قبلی پیشنهاد شده است.

کاربرد شبکه عصبی مصنوعی(ANN)  در مدل‌سازی دستگاه‌های خورشیدی بررسی می‌شود، که در مقایسه با تجربه مطالعات انجام شده، به آزمایش های تجربی کمتری برای تعیین اتصالات ورودی/خروجی نیاز دارد، بنابراین باعث صرفه جویی در زمان و کاهش هزینه های مالی می شود. یک حافظه کوتاه مدت طولانی طرح شبکه عصبی (LSTM) برای پیش‌بینی بازده عکس‌های خورشیدی استفاده می‌شود. هوش مصنوعی می تواند آمارهای دریافتی، در یک بازه زمانی مشخص را برای شکل گیری الگوهای کنترل به کار گیرد. به همین ترتیب، طرح‌های مبتنی بر هوش مصنوعی مانند مدل LSTM و بهینه‌ساز شعله پروانه برای پیش‌بینی بازده دستگاه‌های تقطیر آب خورشیدی. LSTM بهینه شده بهتر از طرح LSTM مستقل عمل کرد.

کاربرد روش‌های یادگیری عمیق (DL) را در زمینه‌های مختلف بازبینی کردند، از جمله تولید برق از توربین های بادی و پنل های خورشیدی، پزشکی، کشاورزی و داده کاوی.

موارد مهم مقاله به شرح زیر است:

1. بررسی سه مدل شناخته شده تشخیص ناهنجاری: Autoencoder LSTM (AE-LSTM)، پیام رسان فیسبوک ، و محدوه ایزوله سازی. آزمون های مقایسه ای انجام شد: بررسی دقت و عملکرد این مدل ها با بهینه سازی هایپرپارامترها
2. تعریف و طبقه بندی عوامل داخلی و خارجی که باعث ایجاد ناهنجاری در نیروگاه فتوولتاییک میشوند، بررسی تاثیر آنها بر دقت مدل و مطالعه اثر همبستگی و تاثیر آن در تشخیص ناهنجاری ها.

در ادامه این مقاله، بخش 2 پیشینه مقاله و مرتبط را مورد بحث قرار می دهد و بخش 3 الگوریتم های یادگیری ماشین استفاده شده را مشخص می کند. بخش 4 مجموعه داده های جمع آوری شده را مشخص می کند و بخش 5 خروجی ها و پارامترهای آزمایشی را نشان می دهد.

در پایان، ما نتایج خود را جمع آوری می کنیم و برخی از جهت گیری های آینده را در بخش 6 ارائه می دهیم.

2. Related Work

چندین روش تکنیک های تشخیص ناهنجاری در نیروگاه های فتوولتائیک (PV) را بررسی کرده اند. به عنوان مثال، روش های متعددی را برای افشا و مقایسه دسته بندی ناهنجاری های حاوی مدل میانگین متحرک یکپارچه رگرسیون خودکار (ARIMA)، شبکه‌های عصبی، ماشین‌های بردار پشتیبان و طبقه‌بندی  k-نزدیک‌ترین همسایه‌ها.

طرحی برای چیدمان سیستم های فتوولتاییک PV ( نیروگاه خورشیدی ) این مدل برای پیش بینی تولید برق AC پیاده سازی شده است. ساخته شده بر روی ANN، که تولید برق AC را با استفاده از تابش خورشیدی و دمای داده های پانل سیستم های فتوولتاییک PV ( نیروگاه خورشیدی ) یک تکنیک جدید برای تشخیص ناهنجاری پیشنهاد شده است.

در پردازش تصویر حرارتی با ابزار SVM که ویژگی ها را به عنوان عنصر معیوب و انواع غیر معیوب طبقه بندی می کند.

یک تکنیک تشخیص ناهنجاری مبتنی بر مدل بخش DC و سایه لحظه ای از سیستم های فتوولتاییک PV ( نیروگاه خورشیدی ) برای بازرسی پیشنهاد شده است. در ابتدا، یک مدل بر اساس یک دیود برای تشریح ماهیت معمولی سیستم PV نظارت شده و تشکیل شده است. باقیمانده برای تشخیص عیب در مرحله بعد، یک فرآیند ماشین بردار پشتیبانی یک کلاس SVM)) به باقیمانده ها که با مدل در حال اجرا برای افشای خطا شروع می شود، اجرا می شود. روشی بدون حسگر برای آشکارسازی خطاهای هر پنل از آرایه های خورشیدی روش مدل محور SunDown بر تعاملات بین توان خروجی پنل ها تأثیر می گذارد. تولید توان توسط پنل های مجاور برای تشخیص نابرابری ها از تولید پیش بینی شده بررسی میشود.

این مدل می‌تواند خطاهای همزمان را در بسیاری از پنل‌ها مدیریت کند و ناهنجاری‌ها را برای تصمیم‌گیری ممکن طبقه‌بندی کند؛ منابعی از جمله برف، برگ ها، زباله ها و خرابی های الکتریکی.

ابزار جدیدی به نام ISDIPV) ) ارائه شده است که قادر به تشخیص ناهنجاری ها است و عیب یابی آنها در نیروگاه خورشیدی PV  شامل سه عملیات اساسی است: مواردی برای جمع آوری داده ها، تشخیص ناهنجاری و تشخیص ارائه شده، تفاوت در عملکرد منظم دو شکل از روش های مدل سازی اجرا شده است.

برای توصیف عملکرد معمولی پیش بینی شده: توابع انتقال خطی (LTF) و مدل های شبکه های عصبی ساخته شده بر روی رسپترون های چند لایه (MLP)  یک پاسخ داده محور برای تشخیص و طبقه بندی ناهنجاری کافی ارائه کرد که جریان های آرایه های سیستم های فتوولتاییک PV ( نیروگاه خورشیدی ) را به عنوان نشانه هایی برای افشا و طبقه بندی ناهنجاری های سیستم های فتوولتاییک PV ( نیروگاه خورشیدی ) اعمال کرد. رویکرد تشخیص ناهنجاری پیشنهادی از تکنیک‌های هوش مصنوعی بدون نظارت استفاده می‌کند. این رویکرد شامل دو مرحله، به ویژه تشخیص سیستم هوشمند محلی  (LCAD) و تشخیص ناهنجاری هوشمند در بستر جهانی (GCAD). شناسایی ناهنجاری های مربوط به مصرف سوخت ایستگاه های پایه و

داده های ثبت شده با استفاده از ژنراتور به عنوان مبدأ قدرت. ناهنجاری ها شناسایی شده از طریق یادگیری الگوهای مصرف سوخت با استفاده از چهار روش طبقه بندی: ماشین‌های بردار پشتیبانی (SVM)، k-نزدیک‌ترین همسایگان (KNN)، رگرسیون لجستیک (LR)  و پرسپترون چند لایه (MLP)  نتایج نشان داد که MLP بیشترین کارایی را در این زمینه دارد.

 

تفسیر اندازه گیری

یک تکنیک جدید برای نظارت بر سیستم های نیروگاه خورشیدی فتوولتاییک PV با تشخیص ناهنجاری ها ارائه شده است. با استفاده از “k-نزدیکترین همسایگان  (kNN) و “ماشین بردار پشتیبانی یک کلاس OCSVM)) الگوریتم های خودآموز به طور قابل توجهی تلاش اندازه گیری را کاهش داده و پشتیبانی می کنند که از پایش قابل اعتماد خطاها از الگوریتم k- نزدیکترین همسایه استفاده کردند و یک پرسپترون چند لایه برای پردازش داده ها از یک حسگر DC و تشخیص اختلاف جریان الکتریکی یک المان و تشخیص بدون حسگر پیشنهاد شده است. که توسط کاهش سریع جریان محصور شده توسط دو نقطه حداکثر توان کنترل می شود. شبیه سازی نمونه برداری ردیابی شده (MPPT) در نیروگاه های خورشیدیPV  برای اعتبار سنجی اجرا شد.

امکان تعیین ناهنجاری ها در برابر موارد نوسانی، صرف نظر از درجه اختلاف و تابش یک چارچوب با تشخیص ناهنجاری سلول های خورشیدی مونو کریستالی پیشنهاد شده است.

این چارچوب دو مرحله دارد: در مرحله اولیه، یک شبکه مولد غیرهماهنگ (GAN) برای ساخت یک مدل تشخیص ناهنجاری استفاده می شود. این مدل امکان تشخیص ترکیبات غیر طبیعی که فقط از نمونه های غیر معیوب برای تمرین استفاده می کنند.

شبکه کانولوشن

یک طرح تحلیلی برای بررسی آنلاین ویدیوی خام تصویربرداری از سطح پنل های نیروگاه خورشیدی ارائه شده است. جریان های ترموگرافی هوایی این طرح ترکیبی از پردازش تصویر و آمار است. روش های هوش مصنوعی طرح ارائه شده به اجزا قدرتمند بستگی دارد. تجزیه و تحلیل (RPCA)، که بر روی تصاویر سطح پنل های نیروگاه خورشیدی PV برای تشخیص و محصور کردن همزمان استفاده می شود از ناهنجاری ها علاوه بر RPCA، روش‌های پس از پردازش نیز برای آن پیشنهاد شده‌اند. کاهش نویز تصویر و تقسیم بندی مدل های متمایز برای نیروگاه انتخاب می شوند. بررسی داده های این مدلهای خطی، مدلهای مبتنی بر مجاورت، مدل‌ها، مجموعه‌های ناهنجاری و شبکه‌های عصبی که بالاترین نرخ تشخیص را دارند، احتمالات هستند.

SolarClique، یک روش مبتنی بر داده، برای تشخیص ناهنجاری ها درتولید برق تاسیسات نیروگاه خورشیدی است که این روش به هیچ دستگاه سنسوری نیاز ندارد. برای تشخیص خطا/ناهنجاری در عوض، منحصراً به نتیجه مونتاژ آرایه نیاز دارد

و آرایه های نزدیک برای تشخیص ناهنجاری عملیاتی به کار گرفته میشوند.

یک تکنیک دیگر تشخیص ناهنجاری استفاده از یک مدل یادگیری نیمه نظارتی برای از پیش تعیین کردن نرخ تولید با اطلاع از میزان تابش خورشید پیشنهاد شده است. شرایط پنل های خورشیدی برای شرایطی که پنل خورشیدی نمی تواند برق تولید کند مورد آنالیز قرار میگیرد. در نتیجه خراب شدن تجهیزات این روش از مدل خوشه بندی برای اعمال منظم فیلتراسیون و مدل شبکه عصبی، Autoencoder، برای ایجاد طبقه بندی ناهنجاری یا خطا ها استفاده می کند.

یک طرح کلی، بدون نظارت و صرفا مقیاس پذیر برای تشخیص ناهنجاری ها و خطاهای نیروگاه خورشیدی ارائه شده است.

در داده ها در قالب یک بازه زمانی که می توانند به صورت آفلاین و آنلاین اجرا شوند. این طرح از یک مدل بازسازی به دنبال رمزگذار خودکار متغیر تشکیل شده است. رمزگذار و رمزگشا هر دو پارامتری هستند که با شبکه های عصبی دامنه دار برای تشخیص در بازه زمانی داده های دریافتی نتایج را بررسی کرده و نشان می‌دهد که مدل می‌تواند شرایط غیرعادی را با استفاده از معیارهای ترمیم احتمالی مانند ناهنجاری تشخیص دهد.

مدل رویکرد تشخیص ناهنجاری یا خطاهای بالقوه (به عنوان مثال، ولتاژ بالا/پایین) مجموعه ای با مدل های رگرسیون غیر خطی و آمار و ارقام ناهنجاری پس از مطالعه همبستگی که برای تشخیص نفوذ فیزیکی اقتباس شده است.

این الگوریتم بر داده های ورودی، شکل ناهنجاری ها، داده های خروجی و دانش متکی است.

 

3. مواد و روش ها: الگوریتم های ML

تکنیک ها و روش های مختلف مورد استفاده در این مقاله در این بخش مورد بحث قرار می گیرد.

یعنی، ما با الگوریتم‌های ML نور بیشتری را مورد استفاده قرار دادیم AutoEncoder Long Short-

روش تحقیق معماری های این الگوریتم به شدت مورد بحث قرار می گیرند و درک کاملی از آن ایجاد می کنند.

3.1. AutoEncoder حافظه کوتاه مدت /بلند مدت (AE-LSTM)

AutoEncoder (AE) یک ANN بدون نظارت است. دارای سه ساختار متقارن است: لایه ها: ورودی پنهان و یک لایه خروجی (بازسازی) . دارای فرآیندهای رمزگذاری و رمزگشایی داخلی است. رمزگذاری از ورودی شروع می شود لایه پنهان، در حالی که رمزگشایی لایه پنهان را به لایه خروجی هدایت می کند. AE شایستگی یادگیری موثر داده ها بدون برچسب برای پیش بینی از بردار ورودی را دارد. شکل 1ساختار AE را نشان می دهد.

Figure 1. The AutoEncoder (AE) model.

 

فرآیند رمزگذاری به شرح زیر است:

H = f1(Wi . X + bi)              (1)

 

که Wi و bi پارامترهای وزن و بایاس در بین ورودی و لایه پنهان هستند.

X ورودی اولیه، H نمایش میانی داده های اولیه و f1 است.

تابع فعال سازی به عنوان مثال، ReLU، لجستیک (Sigmoid)  و (TanH)  به همین ترتیب، رمزگشایی فرآیند به صورت زیر بیان میشود:

 

Xˆ = f2(Wh . H + bh)             (2)

 

که در آن Wh و bh وزن ها و پارامترهای بایاس بین مخفی و خروجی هستند.

bX خروجی است که از داده های ورودی بازسازی می شود.

AE آموزش داده شده با هدف به حداقل رساندن اختلاف بین خروجی bX و the بردار ورودی X از طریق مربع خطا همچنین به نام خطای بازسازی.

 

Figure 2. Long Short-Term Memory (LSTM) unit.

 

4. داده های جمع آوری شده

داده های مورد استفاده در دو نیروگاه خورشیدی در هند جمع آوری شد (نیروگاه 1 نزدیک گاندیکوتا، آندرا، و نیروگاه 2 در نزدیکی ناسیک، ماهاراشترا) در مدت 34 روز، هر کدام با فواصل 15 دقیقه ای هر نیروگاه شامل 22 حسگر متصل به هر اینورتر بود و سطوح تولید نیروگاه برای اندازه گیری نرخ تولید (یک عامل داخلی که می تواند باعث ناهنجاری ها شود)، مانند توان های AC وDC  در سطح اینورتر نیروگاه، اندازه گیری شد. تابش، دمای محیط و ماژول (آن عوامل خارجی که می توانند ناهنجاری ایجاد کنند) داده های اندازه گیری شده آب و هوا که منتشر شده.

Figure 3. Correlation matrix computing the linear correlation among the characteristic elements for power plants 1 and 2.

 

 نتایج و بحث

این بخش ارزیابی تجربی انجام شده برای اعتبار سنجی و ارزیابی را توضیح می دهد.

شرح کاملی از تنظیمات آزمایشی ارائه شده است. ما یافته ها و نتایج خود را با جزئیات تجزیه و تحلیل می کنیم.

سیستم های نیروگاه خورشیدی PV  ممکن است انواع مختلفی از ناهنجاری ها را داشته باشند. برای مقایسه مناسب بین الگوریتم‌های تشخیص ناهنجاری، آزمایش‌هایی برای بررسی اثر انجام شد. عوامل داخلی و خارجی و همچنین اثر همبستگی بر روی داده های همه اینورترها با بررسی دیتاهای سنسورهای این دو نیروگاه با مقایسه AC تولید شده انجام شد. توان اینورتر و نرخ تابش نیروگاه شماره 1 ، در شکل 4 نشان داده شده است.

قابل توجه است که در دوره های 7 و 14 خرداد (ژوئن) افت برق متناوب داشته است.

این اخطار می تواند نشان دهنده خرابی در سطح اینورتر باشد.

Figure 4. Signal comparison between AC, DC Power, Irradiation, and the Module Temperature signals from inverter number 12.

 

تعداد سیگنال های خطا یا ناهنجاری 13 عدد است که در تاریخ  7 و 14 خرداد (ژوئن) برعکس، برای سایر اینورترها مانند اینورتر شماره 12، افتی وجود نداشت. همانطور که در تولید برق AC، در شکل 5 نشان داده شده است.

 

Figure 5. Signal comparison between AC, DC Power, Irradiation, and the Module Temperature signals from inverter number 12.

6. نتیجه گیری

تشخیص خطا یا ناهنجاری در نیروگاه های خورشیدی مدرن، استفاده از رویکردهای داده محوربرای کاهش زمان های خرابی و افزایش کارایی حیاتی است. در این مقاله، سه عملکرد مدل ها مبتنی بر هوش مصنوعی برای مدلی که می تواند مورد تجزیه و تحلیل قرار گرفت، نشان داده شد که میتواند به طور دقیق خطاها یا ناهنجاری های موجود در سیستم نیروگاه خورشیدی فتوولتائیک (PV)  را تعیین کند. همبستگی ضرایب بین پارامترهای ویژگی داخلی و خارجی نیروگاه تعیین شد و برای تجزیه و تحلیل کارایی مدل های هوش مصنوعی در تشخیص ناهنجاری ها استفاده می شود.

AE-LSTM ناهنجاری ها و سیگنال سالم را با موفقیت شناسایی کرد. در آینده بررسی تکنیک‌های کاهش ناهنجاری، هوشمند می‌شود که روند هوش مصنوعی، یعنی هوش مرکزی، در نیروگاه های انرژی خورشیدی هوشمند در مقیاس بزرگ به کار گرفته خواهد شد.

 

نویسندگان مقاله چاپ شده در مجله MDPI:

Mariam Ibrahim

Ahmad Alsheikh

Feras M. Awaysheh

Mohammad Dahman Alshehri